各大电子商务平台上，在线商家广泛应用智能推荐系统来呈现吸引消费者的产品，以期通过精准的推荐促进产品销售并提升消费者的购物体验。考虑到消费者对产品的兴趣会随时间发生变化，越来越多的研究致力于设计动态推荐方法，但现有方法仍然面临着三方面挑战。
首先，消费者的行为天然多样化，可观测的行为序列数据往往是类型丰富、次序不定且高度稀疏的，使得从中提取具有普遍性的规律十分困难。其次，消费者的兴趣转换模式非常多变，其产品兴趣转换所经历的时间、行为次数等也均不确定，需要足够灵活的建模方式才能准确刻画。此外，消费者内在的心理动态很难被显式识别，而在管理实践中，识别心理动态恰恰是理解消费者兴趣转换并为其提供针对性服务的关键。
为应对上述挑战，本研究从营销漏斗的视角分析消费者购物过程，创新性地设计能够有效建模并识别心理动态的智能推荐方法。作为经典的营销学理论，营销漏斗描述了消费者购物过程中的心理阶段转移，比如从初期的意识阶段到考虑、偏好，以至最终的行动阶段。而在线购物情境下，消费者容易受到广告、评论、社交互动等外部因素的影响，因此购物过程很可能不是“线性”的，而会从任意漏斗阶段进入、长时间滞留于同一阶段或在阶段之间频繁地前后跳转，即呈现为动态网状的营销漏斗。
尽管动态网状转移使得捕捉消费者心理阶段更加困难，但营销漏斗视角仍能为预测兴趣转换并生成精准的产品推荐带来很大启发。具体而言：一方面，消费者在不同心理阶段下有显著的行为差异，如在意识阶段主要进行探索性的点击，而收藏、加购物车等深入的产品交互行为类型则更可能出现在后面的考虑和偏好阶段；另一方面，消费者的心理阶段转移会带来不同的兴趣转换模式，进而影响其交互的产品，如初期阶段的兴趣可能高度分散在大量产品之上且极易转换，而后期阶段的兴趣则集中收敛于很少的几件相似产品。
鉴于此，本研究提出一种多阶段动态贝叶斯网络方法用于产品推荐。该方法先将消费者在电商平台上的行为记录处理为对应购物过程的序列，并拆分训练集和测试集。而后，训练构建出的动态贝叶斯网络模型，同时设计有关消费者心理阶段转移和兴趣转换的隐层识别策略以约束学习过程。基于学习到的模型参数，提出维特比式推断算法来解码测试集中不可观测的消费者心理阶段和兴趣分布，进而通过概率预测来生成个性化的产品推荐。
图1 多阶段动态贝叶斯网络方法框架
本研究采用两个大规模真实数据集检验该方法的有效性，结果表明，本研究提出的方法在产品推荐准确性和排序效果上的表现均显著优于基线方法，且通过可视化结果说明了设计的识别策略能够有效探测并区分消费者潜在的心理阶段和兴趣分布。另外，本研究构建了多种鲁棒性检验，说明该方法在不同数据场景下具有良好的适用性和可扩展性。
本研究的主要贡献包括：第一，通过提取心理动态层面的频繁、潜在的规律来克服消费者行为多样化的问题；第二，协同建模两个隐层，刻画消费者“心理阶段—兴趣分布—行为”的驱动关系及其动态演变，据此灵活地适应兴趣转换的多变性；第三，在方法中设计嵌入隐层识别策略，在优化模型学习效率的同时，显式探测消费者所处的心理阶段和兴趣。由此，本研究的成果不仅能够生成更精准且即时的产品推荐，也能提供关于消费者购物过程的有价值的洞见，从而支持针对性营销等重要的现实管理决策。
原文：Qiang Wei, Yao Mu*, Xunhua Guo, Weijie Jiang, Guoqing Chen (2023) Dynamic Bayesian Network-Based Product Recommendation Considering Consumers’ Multistage Shopping Journeys: A Marketing Funnel Perspective. Information Systems Research Published online in Articles in Advance 3 Oct 2023. https://doi.org/10.1287/isre.2020.0277
